propriedades xgboostasnode

Ícone do nó XGBoost-ASO XGBoost é uma implementação avançada de um algoritmo de impulsionamento de gradiente. Os algoritmos de boosting aprendem iterativamente classificadores fracos e os incluem em um classificador forte final. O XGBoost é muito flexível e fornece muitos parâmetros que podem ser assustadores para a maioria dos usuários, portanto, o nó XGBoost-AS no SPSS Modeler expõe os principais recursos e parâmetros comumente usados. O nó XGBoost-AS é implementado no Spark.

Tabela 1. propriedades xgboostasnode
propriedades xgboostasnode Tipo de dados Descrição da propriedade
target_field campo Lista dos nomes de campo para destino.
input_fields campo Lista dos nomes de campo para entradas.
nWorkers Número inteiro O número de trabalhadores usados para treinar o modelo XGBoost. O padrão é 1.
numThreadPerTask Número inteiro O número de encadeamentos usados por trabalhador. O padrão é 1.
useExternalMemory Booleano Indica se deve usar a memória externa como cache. Padrão é false.
boosterType sequência O tipo de intensificador a ser usado. As opções disponíveis são gbtree, gblinear ou dart. O padrão é gbtree.
numBoostRound Número inteiro O número de rodadas para boosting. Especifique um valor de 0 ou superior. O patrão é 10.
scalePosWeight Duplo Controle o balanceamento de ponderações positivas e negativas. O padrão é 1.
randomseed Número inteiro O valor inicial usado pelo gerador de número aleatório. Padrão é 0.
objectiveType sequência O objetivo de aprendizagem. Os valores possíveis sãoreg:linear, reg:logistic, reg:gamma, reg:tweedie,rank:pairwise, binary:logistic ou multi. Observe que para destinos de sinalização, apenas binary:logistic ou multi podem ser usados. Se multi for usado, o resultado da pontuação mostrará os tipos de objetivos XGBoost multi:softmax e multi:softprob. O padrão é reg:linear.
evalMetric sequência As métricas de avaliação para dados de validação. Uma métrica padrão será atribuída de acordo com o objetivo. Os valores possíveis são rmse, mae, logloss, error, merror, mlogloss, auc, ndcg, map ou gamma-deviance. O padrão é rmse.
lambda Duplo Termo de regularização L2 em ponderações. Aumentar esse valor tornará o modelo mais conservador. Especifique qualquer número 0 ou maior. O patrão é 1.
alpha Duplo Termo de regularização L1 sobre pesos. Aumentar esse valor tornará o modelo mais conservador. Especifique qualquer número 0 ou maior. O patrão é 0.
lambdaBias Duplo Termo de regularização L2 no viés. Se o tipo de intensificador gblinear for usado, esse parâmetro de intensificador linear de bias lambda estará disponível. Especifique qualquer número 0 ou maior. O padrão é 0.
treeMethod sequência Se o tipo de intensificador gbtree ou dart for usado, esse parâmetro de método de árvore para crescimento de árvore (e os outros parâmetros de árvore que se seguem) estará disponível. Ele especifica o algoritmo de construção de árvore XGBoost a ser usado. As opções disponíveis são auto, exact ou approx. O padrão é auto.
maxDepth Número inteiro A profundidade máxima para as árvores. Especifique um valor de 2 ou superior. O patrão é 6.
minChildWeight Duplo A soma mínima de peso da instância (hessiana) necessária em uma criança. Especifique um valor de 0 ou superior. O patrão é 1.
maxDeltaStep Duplo A etapa de delta máxima para permitir a estimativa de peso de cada árvore. Especifique um valor de 0 ou superior. O patrão é 0.
sampleSize Duplo A subamostra é a razão da instância de treinamento. Especifique um valor entre 0.1 e 1.0. O padrão é 1.0.
eta Duplo A redução do tamanho da etapa usada durante a etapa de atualização para evitar o superajuste. Especifique um valor entre 0 e 1. O padrão é 0.3.
gamma Duplo A redução de perda mínima necessária para fazer uma partição adicional em um nó folha da árvore. Especifique qualquer número 0 ou maior. O patrão é 6.
colsSampleRatio Duplo A razão de subamostra de colunas ao construir cada árvore. Especifique um valor entre 0.01 e 1. O padrão é 1.
colsSampleLevel Duplo A proporção de subamostra de colunas para cada divisão, em cada nível. Especifique um valor entre 0.01 e 1. O padrão é 1.
normalizeType sequência Se o tipo de intensificador DART for usado, esse parâmetro dart e os três parâmetros de dart a seguir estarão disponíveis. Esse parâmetro configura o algoritmo de normalização. Especifique tree ou forest. O padrão é tree.
sampleType sequência O tipo de algoritmo de amostragem. Especifique uniform ou weighted. O padrão é uniform.
rateDrop Duplo O parâmetro do intensificador DART de taxa de dropout. Especifique um valor entre 0.0 e 1.0. O padrão é 0.0.
skipDrop Duplo O parâmetro de intensificador DART para a probabilidade de ignorar dropout. Especifique um valor entre 0.0 e 1.0. O padrão é 0.0.